融合微博情感分析和深度学习的宏观经济预测方法

现代市场经济快速发展的同时也伴随着较高的风险,通过对地区投资情况提前预测,能够提前发现投资风险,为国家、企业的投资决策提供参考。针对宏观经济预测中统计数据滞后和内部关系复杂的问题,提出融合情感分析和深度学习的预测方法(SA-LSTM)。首先考虑微博的强时效性,确定了微博爬取和情感分析的方法,得到微博情感分析的分值,进而结合政府统计的结构化经济指标和长短期记忆神经网络,实现地区投资总额预测。经过实际数据计算验证,在四个数据集上,与不加入微博情感分析的LSTM网络相比,SA-LSTM能够降低预测相对误差4.95,0.92,1.21,0.66个百分点;与差分自回归移动平均模型(ARIMA)、线性回归(LR)、反向传播(BP)神经网络、长短期记忆(LSTM)网络四个方法中的最优方法相比能够降低相对误差0.06,0.92,0.94,0.66个百分点。另外,SA-LSTM在多个时间片上,预测相对误差的方差最小,表明所提方法具有很好的鲁棒性,对数据抖动有良好的适应性。

基于徒步旅行GPS数据的路网生成算法研究

移动互联网技术的快速发展使得用户旅行GPS数据的采集成为可能,基于这些GPS数据,快速、准确提取有效的轨迹信息,对于景区道路规划,观光线路选择等有很强的现实意义。在对大量徒步旅行GPS数据分析的基础上,提出了噪声点、冗余点剔除方法。在此基础上利用频繁旅行序列挖掘算法确定关键路径点,同时考虑热点的识别,进而提出一种基于DBSCAN路网生成算法。经实际数据计算验证,所提出的方法提高了路网生成算法的效率和精度,可准确生成旅游路网,并能实现新路径生成。

“互联网+”背景下传媒行业上市公司财务竞争力评价研究

本文以中国传媒行业上市公司为研究对象,探讨在"互联网+"时代,科技发展对不同类别的传媒企业财务绩效的影响。利用因子分析法等计量技术,本文对不同类型传媒行业上市公司在"互联网+"时代背景下的业绩进行了比较,对这些公司的综合竞争能力进行评价,根据评价结果得出研究结论,为传媒企业的未来发展战略选择提供参考。